训练论文"A Lightened CNN for Deep Face Representation"中的网络。
CASIA-WebFace 可在这里申请。
获得CASIA-Webface数据集之后，使用tools中的：
- 脚本
addLabeltopic.py将图片的label置为0-10574，并将label加入图片的名字中，如0_001.jpg。 - 脚本
getallfilesInOnedir.py将所有图片复制到某一级目录下，如image/ - 使用
code_point中的工具对人脸图片进行标点，其中bbox.txt中指定了固定的人脸位置，固定face bounding box 是(65 178 78 191)。 - 可使用
show_result.m脚本对标点结果进行可视化。 - 根据每个图片样本的标点信息将人脸进行旋转和裁剪，使得样本标准化。 经过上述操作，可以得到10575人的494414张标准化人脸图块。
- 生成lmdb数据
- 编写train_test.prototxt和solver.prototxt
- 开始训练！
网络结构可以在此可视化。
详细配置查看查看我的github项目中prototxt/中的LCNN_solver.prototxt和LCNN_train_test.prototxt。
对学习率的设置 初始学习率设置可以依次尝试｛0.1，0.03，0.01，0.003，0.001，..｝，选择训练不会出现发散的学习率进行初始化。一般来讲，batchsize越大，初始的学习率可以大一些。
训练过程中，根据log信息解析到train_loss, test accurate 等变化。绘制如下。 （batch size:64 ，mirror，初始lr:0.001）
根据检测曲线判定模型收敛到稳定的性能。
参考demo/demo.py，输入标准化之后的人脸，进行特征提取。并进行人脸验证。
通过LCNN模型提取出demo/*.png人脸的特征是256维的高维向量。程序对输入的3张人脸进行特征，分别计算出两两之间的余弦相似度。据此可进行人脸验证。如下图
从网络底部输入人脸图像后，可以从卷积层取出提取到的特征图（feature map）。如下图所示，分别为从conv1,conv2,conv3,conv5 提取到的人脸特征。可见，前几层卷积层提取到一些边缘、方向、纹理等浅层特征。而随着深度的增加，特征图可解释性明显降低，此时已经提取到更加复杂的特征。
测试数据集：lfw。取官方给出的pairs.txt进行测试。保证pairs.txt中的图片不会出现在训练集中。
| 数据组织 | 数量 | 描述 |
|---|---|---|
| Intra-pair | 3000 | 每一个pair是同一个人物的两张不同场景下的人脸图片对 |
| Extra-pair | 3000 | 每一个pair是不同人物的人脸图片对 |
使用pairs.txt中给出的6000对人脸对测试本模型的准确度。按照标准的ROC评测方案，并在True Positive Rate与False Reject Rate相当时，取出准确率用于表征模型的准确率。将不同迭代次数时的测试结果记录在下表中。
| model | EER(%) | th | err_num(pairs) |
|---|---|---|---|
| iter_3560000 | 97.6 | 0.2905 | 146 |
在lfw上测试的roc曲线为：
部分判断错误的人脸pair 如下图所示
NVIDIA GTX1070
在人脸验证环节取得较高准确率之后，可基于此开发刷脸签到和视频监控等应用程序，如《手把手教你开发基于深度学习的人脸识别【考勤/签到】系统》.